CN103475857B - 基于双摄像机的用于作物生长态势监测与告警的判断方法 - Google Patents

基于双摄像机的用于作物生长态势监测与告警的判断方法 Download PDF

Info

Publication number
CN103475857B
CN103475857B CN201310379552.3A CN201310379552A CN103475857B CN 103475857 B CN103475857 B CN 103475857B CN 201310379552 A CN201310379552 A CN 201310379552A CN 103475857 B CN103475857 B CN 103475857B
Authority
CN
China
Prior art keywords
sigma
crop
subsystems
monitoring
subsystem
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201310379552.3A
Other languages
English (en)
Other versions
CN103475857A (zh
Inventor
邹承俊
余攀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU ZHIYONG TECHNOLOGY Co Ltd
Chengdu Vocational College of Agricultural Science and Technology
Original Assignee
CHENGDU ZHIYONG TECHNOLOGY Co Ltd
Chengdu Vocational College of Agricultural Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHENGDU ZHIYONG TECHNOLOGY Co Ltd, Chengdu Vocational College of Agricultural Science and Technology filed Critical CHENGDU ZHIYONG TECHNOLOGY Co Ltd
Priority to CN201310379552.3A priority Critical patent/CN103475857B/zh
Publication of CN103475857A publication Critical patent/CN103475857A/zh
Application granted granted Critical
Publication of CN103475857B publication Critical patent/CN103475857B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于双摄像机的用于作物生长态势监测与告警的判断方法,通过监测与告警系统实现,监测与告警系统包括判断中心、两个子系统DM1与DM2和告警器,两个子系统DM1与DM2根据各自摄像机的采集图像进行预处理并提取相对应的特征矢量x1和x2,两个子系统DM1和DM2作出相应的判断处理,两个子系统分别对摄像机采集的图像进行分析和评估,判断结果为u1与u2,再由判断中心依据u1与u2作出最终的结论,最终得出可靠性最高的结论。本发明的判断方法准确度高,具有推广使用的价值。

Description

基于双摄像机的用于作物生长态势监测与告警的判断方法
技术领域
本发明涉及一种作物生长态势的监控与告警方法,尤其涉及一种基于双摄像机的用于作物生长态势监测与告警的判断方法。
背景技术
农业物联网是通过各种信息传感设备与技术,实时采集农业生长、收获、运输和交易过程中的环境、质量、产量、价格和流通渠道等有用信息,运用智能处理系统和互联网技术,实现对农业生产、加工、流通、追溯等全过程的远程监视、分析与控制,在降低人力成本的同时,达到农产品高产、高质、高效与高收益的目的。摄像机作为一种能够采集图像与视频信息的传感设备,在农业物联网尤其是农作物生长过程的监控中有着举足轻重的地位。摄像机采集的作物生长实景图像能够提供农作物的大量信息,通过对这些信息源的分析和处理,能够对作物生长态势作出评估和判断,并在其生长态势变差时作出适时的预警。然而,单台摄像机摄取的图像由于局限于一个较小的范围,不具有广泛的代表性,并且其受制于具体物理工作原理的限制,采集的图像具有一定的随机性,因此仅仅对单台摄像机的信息源进行分析和处理,所得评判结果常常会发生较大的偏差。
发明内容
本发明的目的就在于为了解决上述问题而提供一种判断与告警准确度高的基于双摄像机的用于作物生长态势监测与告警的判断方法。
为了达到上述目的,本发明采用了以下技术方案:
一种基于双摄像机的用于作物生长态势监测与告警的判断方法,通过监测与告警系统实现,监测与告警系统包括判断中心、两个子系统DM1与DM2和告警器,两个子系统DM1与DM2根据各自摄像机的采集图像进行预处理并提取相对应的特征矢量x1和x2,两个子系统DM1和DM2作出相应的判断处理,判断结果为u1与u2,用于作物生长态势的判断方法包括以下步骤:
(1)两个子系统中判断作物长势的方法,详细步骤如下:
(a)首先判断作物长势的结果有两种,即作物长势良好或是较差,用H0指代作物的长势良好,用H1指代作物的长势较差,设判断结果u1和u2的取值为“0”或“1”,当判断结果的取值为“0”时,表示作物的长势良好,当判断结果的取值为“1”时,表示作物的长势较差,进入下一步骤;
(b)令J(u1,u2,H)表示H为真的条件下两个子系统的判断结果分别为u1和u2时的代价函数,依据最小损失准则,子系统的判断结果应使J(u1,u2,H)的数学期望最小,进入下一步骤;
(c)计算J(u1,u2,H)的数学期望:
J ‾ = E [ J ( u 1 , u 2 , H ) ] = Σ H , u 1 , u 2 ∫ x 1 , x 2 J ( u 1 , u 2 , H ) p ( u 1 , u 2 , x 1 , x 2 , H ) dx 1 dx 2 = Σ H , u 1 , u 2 ∫ x 1 , x 2 J ( u 1 , u 2 , H ) p ( H ) p ( x 1 , x 2 | H ) P ( u 1 | x 1 ) P ( u 2 | x 2 ) dx 1 dx 2 = Σ H , u 2 ∫ x 1 , x 2 P ( H ) p ( x 1 , x 2 | H ) P ( u 2 | x 2 ) · [ P ( u 1 = 0 | x 1 ) J ( 0 , u 2 , H ) + ( 1 - P ( u 1 = 0 | x 1 ) ) J ( 1 , u 2 , H ) ] dx 1 dx 2
由上式可以导出:
由上述计算可得出子系统DM1的判断规则为:
式中:
t 1 = P ( H 0 ) P ( H 1 ) · ∫ x 2 p ( x 2 | H 0 ) { [ J ( 1 , 1 , H 0 ) - J ( 0 , 1 , H 0 ) ] + P ( u 2 = 0 | x 2 ) ∫ x 2 p ( x 2 | H 1 ) { [ J ( 0 , 1 , H 1 ) - J ( 1 , 1 , H 1 ) ] + P ( u 2 = 0 | x 2 ) · [ J ( 1 , 0 , H 0 ) - J ( 0 , 0 , H 0 ) - J ( 1 , 1 , H 0 ) + J ( 0 , 1 , H 0 ) ] } dx 2 · [ J ( 0 , 0 , H 1 ) - J ( 1 , 0 , H 1 ) - J ( 0 , 1 , H 1 ) + J ( 1 , 1 , H 1 ) ] } dx 2
在上式中,t1为判断阈值,进入下一步骤;
(d)由上一步骤可知,t1表达式中的P(u2=0|x2)与子系统DM2的判断门限有关,因此两个子系统的判断门限t1和t2是彼此关联的,为使问题简化,可以将判断门限t1和t2解耦,设定各种情况下代价函数的取值:
J ( 0 , 0 , H 0 ) = J ( 1 , 1 , H 1 ) = 0 J ( 0 , 1 , H 0 ) = J ( 1 , 0 , H 0 ) = J ( 0 , 1 , H 1 ) = J ( 1 , 0 , H 1 ) = 1 J ( 1 , 1 , H 0 ) = J ( 0 , 0 , H 1 ) = 2
于是:
J(u1,u2,H)=J1(u1,H)+J2(u2,H)
式中:
由上述计算可知关于两个子系统的联合代价函数可以分离为各个子系统的独立代价函数,在这种情况下可以得出
t 1 = t 2 = P ( H 0 ) P ( H 1 )
两个子系统的判断门限t1和t2可以独立计算,并且两个子系统的判断门限相等。
(2)判断中心根据两个子系统的判断处理结果u1和u2进行一定的准则融合处理,得出最终的结果u,判断中心的判断作物长势的方法的详细步骤如下:
(a)设两个子系统的虚警概率和漏报概率分别为PFi和PMi(i=1,2),
PFi=P(ui=1|H0)
PMi=P(ui=0|H1)
令Cij代表Hj为真时判断中心判为Hi的代价,可得判断中心最小损失准则下的判断规则为:
进入下一步骤;
(b)设定C00=C11=0,C10=C01=1,上式可简化为:
由贝叶斯公式,上式可写为:
式中:
P ( H 1 | u 1 , u 2 ) = P ( H 1 , u 1 , u 2 ) P ( u 1 , u 2 ) = P ( H 1 ) P ( u 1 , u 2 ) Π i ∈ S 1 P ( u i = 1 | H 1 ) Π i ∈ S 0 P ( u i = 0 | H 1 ) = P ( H 1 ) P ( u 1 , u 2 ) Π i ∈ S 1 ( 1 - P M i ) Π i ∈ S 0 P M i
进入下一步骤;
(c)其中S1={i|ui=1},S0={i|ui=0},类似地有
P ( H 0 | u 1 , u 2 ) = P ( H 0 , u 1 , u 2 ) P ( u 1 , u 2 ) = P ( H 0 ) P ( u 1 , u 2 ) Π i ∈ S 1 P F i Π i ∈ S 0 ( 1 - P F i )
于是可得判断中心的判断规则为:
判断中心由两个子系统传来的结论u1和u2,依据上式即可得出最终的结论u。
具体地,监测与告警系统判断虚警概率和漏报概率的计算方法为:
P F f = P ( u = 1 | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) P ( u 1 , u 2 | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) Π i P ( u i | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) Π i ∈ S 1 P F i Π i ∈ S 0 ( 1 - P F i )
上式中PFf表示监测与告警系统判断虚警的概率;
P M f = P ( u = 0 | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) P ( u 1 , u 2 | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) Π i P ( u i | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) Π i ∈ S 1 ( 1 - P M i ) Π i ∈ S 0 P M i
上式中PMf表示监测与告警系统漏报的概率。
本发明的有益效果在于:
本发明基于双摄像机的用于作物生长态势监测与告警的判断方法,包括两个子系统用于作物生长态势的判断方法和判断中心用于作物生长态势的判断方法,两个子系统中采用两台摄像机,两个子系统分别对摄像机采集的图像进行分析和评估,再由判断中心对两个子系统的判断结论进行融合处理,最终得出可靠性最高的结论。
附图说明
图1是本发明基于双摄像机的用于作物生长态势监测与告警的判断方法的逻辑框图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示,本发明基于双摄像机的用于作物生长态势监测与告警的判断方法,监测与告警系统中的两个子系统在分别对摄像机采集的图像进行分析和评估之前,首先对摄像机采集的图像进行预处理,预处理包括图像去噪、复原以及增强等,然后通过图像分析技术提取出能够反映作物生长态势的特征量,包括作物各部位的颜色、大小、根茎的粗细、纹理的分布等,进一步对由各特征量组成的特征矢量x=(x1,x2,…,xn)进行决策处理,最后得出作物生长良好或是较差的评判,并在作物生长较差的结论下作出告警。这里,每次通过摄像机获取的特征矢量x不是一个确定的量,因为摄像机采集到的某一株具体作物、采集的时间、采集时的工作状态都是随机的,因此应该把x视作随机分布在特征空间中的一个元素,即x是一个随机矢量。对获取的随机矢量x,运用之前获得的经验知识,采取一定的决策规则,如最小误判概率准则、最小损失准则等,可以得出作物长势良好还是较差的结论。由于针对的是随机量,运用的是统计技术,因此结论会有一定的误判,这种误判的大小可以通过熵理论来量化地分析。
单台摄像机获取的信息可以定义为信源X,X可以理解为特征量,也可以理解为得出的结论。根据前面所述可知,X是随机的,应视作一随机量,该随机量的平均不确定度可以通过熵来定义:
H(X)=-∫p(x)logp(x)dx
上式中式中p表示概率密度;
熵值越大,表示X越不确定,其具体的值越不可靠;熵值为零时,X具有确定的值。类似地,可以定义条件熵:
H(X|Y)=-∫∫p(x,y)logp(x|y)dxdy
上式中p(x,y)表示x,y的联合概率,p(x丨y)表示X相对于Y的条件概率。
该式表示在收到Y后对X仍存在的平均不确定度。
进一步,可以定义X和Y之间的平均互信息量:
I ( X , Y ) = ∫ ∫ p ( x , y ) log p ( x | y ) p ( x ) d x d y = H ( X ) - H ( X | Y ) = H ( Y ) - H ( Y | X ) = H ( X ) + H ( Y ) - H ( X , Y )
它表示从Y中获得信源X的平均信息量,即收到Y后关于X消除的不确定度,这里I(X,Y)=I(Y,X)≥0。
将上述概念推广到多摄像机的情形。设zk={z1,z2,…,zk},其中每个矢量zi表示一台摄像机获取的信息。由于各摄像机是彼此独立工作的,因此各个zi相互独立,对各摄像机的zi融合处理后的最终信息记为y,于是有:
p(y|Zk)=p(Zk|y)p(y)/p(Zk)
=p(zk|y)p(Zk-1|y)p(y)/p(Zk)
=p(zk|y)p(y|zk-1)/p(zk)
H(k)=-∫p(y,Zk)logp(y|Zk)dydZk
H(k-1)=-∫p(y,Zk-1)logp(y|Zk-1)dydZk-1
=-∫p(y,Zk)logp(y|Zk-1)dydZk
I ( k ) = ∫ p ( y , z k ) log p ( z k | y ) p ( z k ) dydz k = ∫ p ( y , Z k ) log p ( z k | y ) p ( z k ) dydZ k
由以上各式可得:
H(k)=H(k-1)-I(k)
上式中H(k)是在k台摄像机的条件下所得融合信息y的熵,H(k-1)是在k-1台摄像机的条件下所得融合信息y的熵,I(k)是第k台摄像机与融合信息之间的信息量,在信息相关条件下I(k)>0。由上式可以看出,增加了一台摄像机就增加了信息量I(·),从而降低了融合后所得信息的熵,即减少了系统的不确定性,提高了所得结果的可靠性,这说明了可以通过增加摄像机台数的方法提高最终结论的可靠性。再从成本角度分析考虑,摄像机的数量不可能无限增加,并且系统可靠性与摄像机数量之间也不是简单的线性增长关系,因此综合效果与成本等多方面因素,得到采用两台摄像机的联合监控模式最为合理。
本发明基于双摄像机的用于作物生长态势监测与告警的判断方法,通过监测与告警系统实现,监测与告警系统包括判断中心、两个子系统DM1与DM2和告警器,两个子系统DM1与DM2根据各自摄像机的采集图像进行预处理并提取相对应的特征矢量x1和x2,两个子系统DM1和DM2作出相应的判断处理,判断结果为u1与u2,用于作物生长态势的判断方法包括以下步骤:
(1)两个子系统中判断作物长势的方法,详细步骤如下:
(a)首先判断作物长势的结果有两种,即作物长势良好或是较差,用H0指代作物的长势良好,用H1指代作物的长势较差,设判断结果u1和u2的取值为“0”或“1”,当判断结果的取值为“0”时,表示作物的长势良好,当判断结果的取值为“1”时,表示作物的长势较差,进入下一步骤;
(b)令J(u1,u2,H)表示H为真的条件下两个子系统的判断结果分别为u1和u2时的代价函数,依据最小损失准则,子系统的判断结果应使J(u1,u2,H)的数学期望最小,进入下一步骤;
(c)计算J(u1,u2,H)的数学期望:
J ‾ = E [ J ( u 1 , u 2 , H ) ] = Σ H , u 1 , u 2 ∫ x 1 , x 2 J ( u 1 , u 2 , H ) p ( u 1 , u 2 , x 1 , x 2 , H ) dx 1 dx 2 = Σ H , u 1 , u 2 ∫ x 1 , x 2 J ( u 1 , u 2 , H ) p ( H ) p ( x 1 , x 2 | H ) P ( u 1 | x 1 ) P ( u 2 | x 2 ) dx 1 dx 2 = Σ H , u 2 ∫ x 1 , x 2 P ( H ) p ( x 1 , x 2 | H ) P ( u 2 | x 2 ) · [ P ( u 1 = 0 | x 1 ) J ( 0 , u 2 , H ) + ( 1 - P ( u 1 = 0 | x 1 ) ) J ( 1 , u 2 , H ) ] dx 1 dx 2
由上式可以导出:
由上述计算可得出子系统DM1的判断规则为:
式中:
t 1 = P ( H 0 ) P ( H 1 ) · ∫ x 2 p ( x 2 | H 0 ) { [ J ( 1 , 1 , H 0 ) - J ( 0 , 1 , H 0 ) ] + P ( u 2 = 0 | x 2 ) ∫ x 2 p ( x 2 | H 1 ) { [ J ( 0 , 1 , H 1 ) - J ( 1 , 1 , H 1 ) ] + P ( u 2 = 0 | x 2 ) · [ J ( 1 , 0 , H 0 ) - J ( 0 , 0 , H 0 ) - J ( 1 , 1 , H 0 ) + J ( 0 , 1 , H 0 ) ] } dx 2 · [ J ( 0 , 0 , H 1 ) - J ( 1 , 0 , H 1 ) - J ( 0 , 1 , H 1 ) + J ( 1 , 1 , H 1 ) ] } dx 2
在上式中,t1为判断阈值,进入下一步骤;
(d)由上一步骤可知,t1表达式中的P(u2=0|x2)与子系统DM2的判断门限有关,因此两个子系统的判断门限t1和t2是彼此关联的,为使问题简化,可以将判断门限t1和t2解耦,设定各种情况下代价函数的取值:
J ( 0 , 0 , H 0 ) = J ( 1 , 1 , H 1 ) = 0 J ( 0 , 1 , H 0 ) = J ( 1 , 0 , H 0 ) = J ( 0 , 1 , H 1 ) = J ( 1 , 0 , H 1 ) = 1 J ( 1 , 1 , H 0 ) = J ( 0 , 0 , H 1 ) = 2
于是:
J(u1,u2,H)=J1(u1,H)+J2(u2,H)
式中:
由上述计算可知关于两个子系统的联合代价函数可以分离为各个子系统的独立代价函数,在这种情况下可以得出
t 1 = t 2 = P ( H 0 ) P ( H 1 )
两个子系统的判断门限t1和t2可以独立计算,并且两个子系统的判断门限相等。
(2)判断中心根据两个子系统的判断处理结果u1和u2进行一定的准则融合处理,得出最终的结果u,判断中心的判断作物长势的方法的详细步骤如下:
(a)设两个子系统的虚警概率和漏报概率分别为PFi和PMi(i=1,2),
PFi=P(ui=1|H0)
PMi=P(ui=0|H1)
令Cij代表Hj为真时判断中心判为Hi的代价,可得判断中心最小损失准则下的判断规则为:
进入下一步骤;
(b)设定C00=C11=0,C10=C01=1,上式可简化为:
由贝叶斯公式,上式可写为:
式中:
P ( H 1 | u 1 , u 2 ) = P ( H 1 , u 1 , u 2 ) P ( u 1 , u 2 ) = P ( H 1 ) P ( u 1 , u 2 ) Π i ∈ S 1 P ( u i = 1 | H 1 ) Π i ∈ S 0 P ( u i = 0 | H 1 ) = P ( H 1 ) P ( u 1 , u 2 ) Π i ∈ S 1 ( 1 - P M i ) Π i ∈ S 0 P M i
进入下一步骤;
(c)其中S1={i|ui=1},S0={i|ui=0},类似地有
P ( H 0 | u 1 , u 2 ) = P ( H 0 , u 1 , u 2 ) P ( u 1 , u 2 ) = P ( H 0 ) P ( u 1 , u 2 ) Π i ∈ S 1 P F i Π i ∈ S 0 ( 1 - P F i )
于是可得判断中心的判断规则为:
判断中心由两个子系统传来的结论u1和u2,依据上式即可得出最终的结论u。监测与告警系统判断虚警概率和漏报概率的计算方法为:
P F f = P ( u = 1 | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) P ( u 1 , u 2 | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) Π i P ( u i | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) Π i ∈ S 1 P F i Π i ∈ S 0 ( 1 - P F i )
上式中PFf表示监测与告警系统判断虚警的概率;
P M f = P ( u = 0 | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) P ( u 1 , u 2 | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) Π i P ( u i | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) Π i ∈ S 1 ( 1 - P M i ) Π i ∈ S 0 P M i
上式中PMf表示监测与告警系统漏报的概率。

Claims (2)

1.一种基于双摄像机的用于作物生长态势监测与告警的判断方法,通过监测与告警系统实现,监测与告警系统包括判断中心、两个子系统DM1与DM2和告警器,两个子系统DM1与DM2根据各自摄像机的采集图像进行预处理并提取相对应的特征矢量x1和x2,两个子系统DM1和DM2作出相应的判断处理,判断结果为u1与u2,其特征在于:用于作物生长态势的判断方法包括以下步骤:
(1)两个子系统中判断作物长势的方法,详细步骤如下:
(a)首先判断作物长势的结果有两种,即作物长势良好或是较差,用H0指代作物的长势良好,用H1指代作物的长势较差,设判断结果u1和u2的取值为“0”或“1”,当判断结果的取值为“0”时,表示作物的长势良好,当判断结果的取值为“1”时,表示作物的长势较差,进入下一步骤;
(b)令J(u1,u2,H)表示H为真的条件下两个子系统的判断结果分别为u1和u2时的代价函数,依据最小损失准则,子系统的判断结果应使J(u1,u2,H)的数学期望最小,进入下一步骤;
(c)计算J(u1,u2,H)的数学期望:
J ‾ = E [ J ( u 1 , u 2 , H ) ] = Σ H , u 1 , u 2 ∫ x 1 , x 2 J ( u 1 , u 2 , H ) p ( u 1 , u 2 , x 1 , x 2 , H ) dx 1 dx 2 = Σ H , u 1 , u 2 ∫ x 1 , x 2 J ( u 1 , u 2 , H ) P ( H ) p ( x 1 , x 2 | H ) P ( u 1 | x 1 ) P ( u 2 | x 2 ) dx 1 dx 2 = Σ H , , u 2 ∫ x 1 , x 2 P ( H ) p ( x 1 , x 2 | H ) P ( u 2 | x 2 ) · [ P ( u 1 = 0 | x 1 ) J ( 0 , u 2 , H ) + ( 1 - P ( u 1 = 0 | x 1 ) ) J ( 1 , u 2 , H ) ] dx 1 dx 2
由上式可以导出:
由上述计算可得出子系统DM1的判断规则为:
式中:
t 1 = P ( H 0 ) P ( H 1 ) · ∫ x 2 p ( x 2 | H 0 ) { [ J ( 1 , 1 , H 0 ) - J ( 0 , 1 , H 0 ) ] + P ( u 2 = 0 | x 2 ) ∫ x 2 p ( x 2 | H 1 ) { [ J ( 0 , 1 , H 1 ) - J ( 1 , 1 , H 1 ) ] + P ( u 2 = 0 | x 2 ) · [ J ( 1 , 0 , H 0 ) - J ( 0 , 0 , H 0 ) - J ( 1 , 1 , H 0 ) + J ( 0 , 1 , H 0 ) ] } dx 2 · [ J ( 0 , 0 , H 1 ) - J ( 1 , 0 , H 1 ) - J ( 0 , 1 , H 1 ) + J ( 1 , 1 , H 1 ) ] } dx 2
在上式中,t1为判断阈值,进入下一步骤;
(d)由上一步骤可知,t1表达式中的P(u2=0|x2)与子系统DM2的判断门限有关,因此两个子系统的判断门限t1和t2是彼此关联的,为使问题简化,可以将判断门限t1和t2解耦,设定各种情况下代价函数的取值:
J ( 0 , 0 , H 0 ) = J ( 1 , 1 , H 1 ) = 0 J ( 0 , 1 , H 0 ) = J ( 1 , 0 , H 0 ) = J ( 0 , 1 , H 1 ) = J ( 1 , 0 , H 1 ) = 1 J ( 1 , 1 , H 0 ) = J ( 0 , 0 , H 1 ) = 2
于是:
J(u1,u2,H)=J1(u1,H)+J2(u2,H)
式中:
由上述计算可知关于两个子系统的联合代价函数可以分离为各个子系统的独立代价函数,在这种情况下可以得出
t 1 = t 2 = P ( H 0 ) P ( H 1 )
两个子系统的判断门限t1和t2可以独立计算,并且两个子系统的判断门限相等;
(2)判断中心根据两个子系统的判断处理结果u1和u2进行一定的准则融合处理,得出最终的结果u,判断中心的判断作物长势的方法的详细步骤如下:
(a)设两个子系统的虚警概率和漏报概率分别为PFi和PMi(i=1,2),
PFi=P(ui=1|H0)
PMi=P(ui=0|H1
令Cij代表Hj为真时判断中心判为Hi的代价,可得判断中心最小损失准则下的判断规则为:
进入下一步骤;
(b)设定C00=C11=0,C10=C01=1,上式可简化为:
由贝叶斯公式,上式可写为:
式中:
P ( H 1 | u 1 , u 2 ) = P ( H 1 , u 1 , u 2 ) P ( u 1 , u 2 ) = P ( H 1 ) P ( u 1 , u 2 ) Π i ∈ S 1 P ( u i = 1 | H 1 ) Π i ∈ S 0 P ( u i = 0 | H 1 ) = P ( H 1 ) P ( u 1 , u 2 ) Π i ∈ S 1 ( 1 - P M i ) Π i ∈ S 0 P M i
进入下一步骤;
(c)其中S1={i|ui=1},S0={i|ui=0},类似地有
P ( H 0 | u 1 , u 2 ) = P ( H 0 , u 1 , u 2 ) P ( u 1 , u 2 ) = P ( H 0 ) P ( u 1 , u 2 ) Π i ∈ S 1 P F i Π i ∈ S 0 ( 1 - P F i )
于是可得判断中心的判断规则为:
判断中心由两个子系统传来的结论u1和u2,依据上式即可得出最终的结论u。
2.根据权利要求1所述的基于双摄像机的用于作物生长态势监测与告警的判断方法,其特征在于:监测与告警系统判断虚警概率和漏报概率的计算方法为:
P F f = P ( u = 1 | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) P ( u 1 , u 2 | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) Π i P ( u i | H 0 ) = Σ u 1 Σ u 2 P ( u = 1 | u 1 , u 2 ) Π i ∈ S 1 P F i Π i ∈ S 0 ( 1 - P F i )
上式中PFf表示监测与告警系统判断虚警的概率;
P M f = P ( u = 0 | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) P ( u 1 , u 2 | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) Π i P ( u i | H 1 ) = Σ u 1 Σ u 2 P ( u = 0 | u 1 , u 2 ) Π i ∈ S 1 ( 1 - P M i ) Π i ∈ S 0 P M i
上式中PMf表示监测与告警系统漏报的概率。
CN201310379552.3A 2013-08-27 2013-08-27 基于双摄像机的用于作物生长态势监测与告警的判断方法 Expired - Fee Related CN103475857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310379552.3A CN103475857B (zh) 2013-08-27 2013-08-27 基于双摄像机的用于作物生长态势监测与告警的判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310379552.3A CN103475857B (zh) 2013-08-27 2013-08-27 基于双摄像机的用于作物生长态势监测与告警的判断方法

Publications (2)

Publication Number Publication Date
CN103475857A CN103475857A (zh) 2013-12-25
CN103475857B true CN103475857B (zh) 2016-07-20

Family

ID=49800535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310379552.3A Expired - Fee Related CN103475857B (zh) 2013-08-27 2013-08-27 基于双摄像机的用于作物生长态势监测与告警的判断方法

Country Status (1)

Country Link
CN (1) CN103475857B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06138041A (ja) * 1992-10-26 1994-05-20 Techno Gurafuteingu Kenkyusho:Kk 植物良否判別制御装置およびその良否判別のための面積集計方法
US5764819A (en) * 1991-10-18 1998-06-09 Dekalb Genetics Corporation Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology
CN1302277C (zh) * 1999-08-10 2007-02-28 株式会社佐竹 田间作物营养诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130049567A (ko) * 2011-11-04 2013-05-14 한국전자통신연구원 작물 관측 장치 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5764819A (en) * 1991-10-18 1998-06-09 Dekalb Genetics Corporation Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology
JPH06138041A (ja) * 1992-10-26 1994-05-20 Techno Gurafuteingu Kenkyusho:Kk 植物良否判別制御装置およびその良否判別のための面積集計方法
CN1302277C (zh) * 1999-08-10 2007-02-28 株式会社佐竹 田间作物营养诊断方法

Also Published As

Publication number Publication date
CN103475857A (zh) 2013-12-25

Similar Documents

Publication Publication Date Title
Geiger et al. Tadgan: Time series anomaly detection using generative adversarial networks
Leal-Taixé et al. Branch-and-price global optimization for multi-view multi-target tracking
EP3017403A2 (en) System and method for abnormality detection
CN103761748B (zh) 异常行为检测方法和装置
CN111291718B (zh) 行为预测方法及装置、步态识别方法及装置
CN106384092A (zh) 面向监控场景的在线低秩异常视频事件检测方法
CN103975343B (zh) 用于通过融合人类检测模态的结果来增强人类计数的系统和方法
CN107967440A (zh) 一种基于多区域变尺度3d-hof的监控视频异常检测方法
CN105245828A (zh) 物品分析方法和设备
Zatsarynna et al. Multi-modal temporal convolutional network for anticipating actions in egocentric videos
Mukhoti et al. Deep deterministic uncertainty for semantic segmentation
CN112560827A (zh) 模型训练方法、装置、预测方法、电子设备及介质
Zou et al. A segmentation network for smart weed management in wheat fields
CN112381171A (zh) 一种基于组合模型的多传感器节点缺失数据填充方法
CN114092515B (zh) 用于障碍遮挡的目标跟踪检测方法、装置、设备及介质
Lee et al. Fast object localization using a CNN feature map based multi-scale search
Hyun et al. Dissimilate-and-assimilate strategy for video anomaly detection and localization
CN114792429A (zh) 多视角摔倒检测方法、装置及存储介质
CN105096343B (zh) 一种移动目标跟踪方法及装置
CN104134062A (zh) 一种基于深度神经网络的静脉识别系统
CN103475857B (zh) 基于双摄像机的用于作物生长态势监测与告警的判断方法
CN116311081B (zh) 一种基于图像识别的医学实验室监控图像分析方法和系统
KR102425521B1 (ko) 영상정보 분석 기반 방역 시스템 및 그 이용 방법
Cheng et al. Human-object interaction detection with depth-augmented clues
CN104103044A (zh) 一种基于K-Mean算法的滑车跳线在线检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160720

Termination date: 20200827

CF01 Termination of patent right due to non-payment of annual fee